全息术是一种能让观察者感受到图像立体感的技术。目前对于全息术的研究多集中于计算全息术,即使用计算机制作全息图。计算全息术能够脱离实际的光学实验环境需求,还能对现实中不存在的物体的全息图进行生成。计算全息图经过再现后可以得到强度图案,但由于强度图案损失了相位信息,导致其逆向传播的过程难以实现。本论文通过深度学习算法,利用卷积神经网络在图像处理方面的独特优势,设计并实现了基于深度学习的计算全息图生成系统。系统运行效率高、适用性广,通过卷积神经网络对目标强度图案进行逆向传播,达到了生成其计算全息图的目的。论文的主要工作如下:阐述了全息技术以及深度学习的发展概况,对光学全息以及计算全息的原理进行了介绍,并通过Matlab软件对全息技术的几种记录方法进行了模拟仿真的实验。分析了通过深度学习方法实现计算全息图生成的原理,进而基于TensorFlow开源深度学习框架设计并搭建了适合生成计算全息图的卷积神经网络结构和模型。设计的深度网络的隐藏层由卷积层、上采样层以及下采样层构成,网络具备对输入图像数据进行特征提取、信息过滤以及信息恢复的功能。利用两种技术制作了卷积神经网络的训练数据集和测试数据集。首先,训练数据集由随机生成的二维相位矩阵和一定距离下的菲涅尔衍射再现强度图组成。其次为验证卷积神经网络的拟合性,制作了 Mnist手写数字图案和其通过迭代傅里叶变换算法生成的计算全息图作为测试数据集。使用不同数量的随机二维相位矩阵及其再现后的强度图案组成的训练数据集对所搭建的卷积神经网络进行了对照训练和验证实验,并对实验结果进行了系统分析。实验结果表明,训练后的卷积神经网络具备了较好的计算全息图生成功能,即输入一幅二维强度图,输出其对应的计算全息图。